黃櫟有，徐璐，溫林春，王延花，李智勇

肺腺癌是肺癌中發(fā)病率最高的組織學(xué)類型[1]。隨著分子靶向藥物研究的不斷發(fā)展，近年來酪氨酸激酶抑制劑(tyrosine kinase inhibitors,TKIs)如吉非替尼等藥物已廣泛用于肺腺癌的臨床治療，患者獲得了比化療更長的無進(jìn)展生存期[2]。表皮生長因子受體(epidermal growth factor receptor，EGFR)基因表型決定了患者是否能夠接受TKIs治療[3]。如何快速有效的檢測EGFR基因突變就變得格外重要。目前臨床上主要通過內(nèi)窺鏡及穿刺活檢來檢測患者EGFR基因突變。但活檢僅能采集局部少量腫瘤組織，無法反映腫瘤整體的異質(zhì)性，容易出現(xiàn)因采集部位不佳或采集樣本過少而無法正確檢測出突變結(jié)果的情況。此外，活檢術(shù)對患者身體條件及腫瘤大小、位置等均有較高要求，而且高昂的檢查費(fèi)用也限制了其在臨床上的普及。CT掃描作為臨床上常用的影像學(xué)檢查技術(shù)，為分析腫瘤異質(zhì)性提供了一種非入侵式的方法。已有研究表明，肺癌CT圖像中的紋理特征與基因表達(dá)具有相關(guān)性，能夠預(yù)測EGFR基因突變[4-5]。而深度學(xué)習(xí)技術(shù)通過強(qiáng)大的端對端學(xué)習(xí)能力，已經(jīng)在多種疾病的診斷中展現(xiàn)出遠(yuǎn)超傳統(tǒng)分類模型的診斷能力[6-8]。因此，本研究中對比分析了傳統(tǒng)影像組學(xué)模型和深度學(xué)習(xí)模型對肺腺癌患者EGFR突變的預(yù)測效能，旨在探尋基于CT掃描圖像預(yù)測肺腺癌EGFR基因突變的最佳方法。

材料與方法

1.研究對象

回顧性搜集2018年1月-2021年5月在本院確診為肺腺癌的228例患者的CT影像資料。其中，EGFR突變型 116例，野生型112例。納入標(biāo)準(zhǔn)：①經(jīng)病理證實為原發(fā)肺腺癌；②具有EGFR基因檢測結(jié)果；③CT檢查前未接受任何治療。排除標(biāo)準(zhǔn)：①腫瘤直徑小于3.0 mm；②CT圖像質(zhì)量不佳；③合并其它惡性腫瘤。

2.檢查方法

使用Siemens Somatom Definition AS(101例)或Philips Brilliance 64 CT機(jī)(127例)行胸部CT掃描。掃描參數(shù)：120 kV，210 mA，螺距0.9，掃描層厚1～5 mm。分別采用B40f和iDose標(biāo)準(zhǔn)重建算法進(jìn)行圖像重建，重建層厚1～2 mm。

3.影像組學(xué)分析方法

圖像分割及特征提?。菏褂肕RIcroGL軟件對CT影像進(jìn)行重采樣，重采樣后圖像的像素大小為1 mm×1 mm×1 mm。由2位具有7年以上CT診斷經(jīng)驗的放射科醫(yī)師分別在肺窗(窗寬1500 HU，窗位-600 HU)圖像上采用單盲法各自獨(dú)立在所有腫瘤層面進(jìn)行ROI的勾畫，并將獲得的病灶容積ROI(VOI)保存為掩模數(shù)據(jù)(圖1)。分別采用一階統(tǒng)計、灰度共生矩陣、灰度游程矩陣和小波變換等方法對VOI進(jìn)行特征提取，共得到395個影像組學(xué)特征。采用組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient,ICC)對兩位醫(yī)師提取的特征進(jìn)行一致性檢驗，以ICC值大于0.7表示一致性較好。

圖1 男，53歲，左肺腺癌。a)橫軸面、矢狀面和冠狀面CT圖像顯示左肺內(nèi)病灶3個方位的特征；b)沿病灶邊緣逐層手動勾畫ROI后，橫軸面、矢狀面和冠狀面CT圖像顯示ROI(紅色區(qū)域)的三方向觀；c)ROI掩模圖像的三方向觀，白色ROI像素值為1，其余像素值為0。

影像組學(xué)建模：對紋理特征進(jìn)行歸一化和標(biāo)準(zhǔn)化后，刪除與其它紋理特征相關(guān)系數(shù)大于0.9的特征。按照7:3的比例將所有病灶隨機(jī)劃分為訓(xùn)練集和驗證集。采用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)和5折交叉驗證對訓(xùn)練集數(shù)據(jù)進(jìn)行特征篩選，并通過對所篩選特征及其權(quán)重系數(shù)的線性組合來構(gòu)建每例患者的影像組學(xué)評分(Radscore)。

使用Wilcoxon檢驗分別對訓(xùn)練集和驗證集中EGFR突變型組和野生型組的Radscore進(jìn)行比較，以P<0.05為差異具有統(tǒng)計學(xué)意義。繪制驗證集中Radscore的受試者工作特征曲線(receiver operating characteristic curve，ROC)，計算曲線下面積(AUC)。

機(jī)器學(xué)習(xí)模型的建立和驗證：分別建立隨機(jī)森林(random forest，RF)和支持向量機(jī)(support vector machine，SVM)機(jī)器學(xué)習(xí)模型。在訓(xùn)練集中采用5折交叉驗證法分別對2種機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，并計算它們在驗證集中的AUC。

4.深度學(xué)習(xí)分析方法

數(shù)據(jù)預(yù)處理：通過對CT圖像像素矩陣與對應(yīng)ROI掩模數(shù)據(jù)進(jìn)行矩陣乘法，使ROI體素外像素值為0，保證深度學(xué)習(xí)分析區(qū)域與影像組學(xué)ROI一致。對ROI進(jìn)行裁剪，去除周圍全零區(qū)域得到最終圖像數(shù)據(jù)。

數(shù)據(jù)增廣：深度學(xué)習(xí)訓(xùn)練集和驗證集的劃分與影像組學(xué)訓(xùn)練集和驗證集劃分完全一致。由于樣本量較小，我們將訓(xùn)練集中每個病灶的所有層面圖像均作為輸入樣本，共計將2873幀圖像輸入到2D殘差網(wǎng)絡(luò)(ResNet)深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并通過對圖片進(jìn)行隨機(jī)20度旋轉(zhuǎn)和左右、上下鏡像進(jìn)一步擴(kuò)充訓(xùn)練集數(shù)據(jù)至理論上限459680幀。在驗證集中選取每個病灶直徑最大層面的圖像作為驗證集數(shù)據(jù)，共68幀圖像。

ResNet和遷移學(xué)習(xí)：將每幀圖像的大小重置為224×224×3像素并輸入ResNet網(wǎng)絡(luò)。遷移學(xué)習(xí)技術(shù)能將某個網(wǎng)絡(luò)中學(xué)習(xí)到的知識遷移到另一個具有共通性的網(wǎng)絡(luò)中。本研究利用遷移學(xué)習(xí)技術(shù)將Image-Net上訓(xùn)練好的預(yù)訓(xùn)練模型參數(shù)作為模型初始參數(shù)遷移到ResNet網(wǎng)絡(luò)中。ImageNet是擁有128萬幀自然圖像的大型數(shù)據(jù)庫，官方(https://download.pytorch.org/models)提供了基于該數(shù)據(jù)庫的ResNet預(yù)訓(xùn)練模型。通過遷移學(xué)習(xí)ImageNet上的模型參數(shù)能夠間接擴(kuò)大訓(xùn)練數(shù)據(jù)，從而提高神經(jīng)網(wǎng)絡(luò)的性能。

深度學(xué)習(xí)模型的建立和驗證：選擇交叉熵作為模型的損失函數(shù)，對訓(xùn)練集數(shù)據(jù)進(jìn)行循環(huán)訓(xùn)練，以交叉熵?fù)p失最小的循環(huán)作為最佳深度學(xué)習(xí)模型。計算此深度學(xué)習(xí)模型在驗證集中的AUC，并比較其與其它3種影像學(xué)組模型的AUC的差異。

5.統(tǒng)計學(xué)處理

采用pytorch1.04深度學(xué)習(xí)庫搭建深度學(xué)習(xí)網(wǎng)絡(luò)，并利用visdom模塊繪制損失(loss)曲線。采用R語言(Version 3.5.1)對患者資料進(jìn)行統(tǒng)計學(xué)分析。對患者年齡進(jìn)行正態(tài)性檢驗，符合正態(tài)分布，故其數(shù)據(jù)資料采用均值±標(biāo)準(zhǔn)差來表示，采用兩獨(dú)立樣本t檢驗進(jìn)行組間比較。采用皮爾遜χ2檢驗比較2組間性別構(gòu)成的差異。以P<0.05為差異有統(tǒng)計學(xué)意義。采用corrplot軟件包進(jìn)行相關(guān)性特征刪除，采用glmnet軟件包進(jìn)行LASSO數(shù)據(jù)降維，利用pROC軟件包繪制模型或參數(shù)的AUC，并采用Delong檢驗比較各模型間AUC的差異。

結(jié) 果

1.人口學(xué)資料的比較

EGFR突變組患者年齡為39～80歲，平均(60.55±8.65)，野生組患者年齡為42～83歲，平均(62.59±9.13)歲，組間差異無統(tǒng)計學(xué)意義(t=1.729，P=0.085)。突變組中男47例、女69例，野生組中男67例、女45例；兩組間性別構(gòu)成的差異具有統(tǒng)計學(xué)意義(χ2=6.377，P=0.012)。

2.影像組學(xué)分析

一致性分析結(jié)果顯示，在兩位醫(yī)師各自提取的肺癌病灶的395個影像組學(xué)特征中有306個特征的觀察者間一致性較好(ICC>0.7)，其中參與建模特征的ICC值見表1。

表1 參與建模的紋理參數(shù)的一致性檢驗結(jié)果

自306個一致性良好的組學(xué)特征中刪除相關(guān)系數(shù)大于0.9的特征，剩余122個特征。經(jīng)過5折交叉驗證得到LASSO回歸中參數(shù)λ值與模型均方誤差的關(guān)系圖(圖2a)。選擇λ值為LASSO回歸均方誤差最小值加一倍標(biāo)準(zhǔn)差時(0.071)作為最佳LASSO回歸參數(shù)，最終從剩余的122個紋理特征中篩選出9個紋理特征(圖2b)。得到的Radscore計算方程：Radscore=0.02375800-LLH_DifferenceVariance×0.03231060+LLH_InverseVariance×0.11277837-LHH_Autocorrelation×0.25185757-HLL_Autocorrelation×0.04808175+HHH_Correlation×0.06753695-sigma_2mm_ClusterProminence×0.10374467-sigma_3mm_ClusterTendency×0.09305346+sigma_5mm_ClusterShade×0.09416770-square_ClusterTendency×0.19429391。在訓(xùn)練集和測試集中樣本的Radscore數(shù)據(jù)分布差異如圖3所示，訓(xùn)練集和驗證集中EGFR突變組的Radscore均顯著高于未突變組(訓(xùn)練集：Z=-6.771，P<0.001；驗證集：Z=-3.793，P<0.001)。

圖2 LASSO模型參數(shù)圖。 a)5折交叉驗證得到參數(shù)λ值，第1條虛線為LASSO均方誤差最小值對應(yīng)的λ值，第二條虛線為最小誤差1倍標(biāo)準(zhǔn)差對應(yīng)的λ值; b) 紋理特征的LASSO系數(shù)曲線，在均方誤差最小值1倍標(biāo)準(zhǔn)差處繪制虛線得到9個紋理特征。 圖3 Rad-score預(yù)測EGFR突變箱式散點圖。Label 0代表野生型，label 1代表突變型。 圖4 ResNet 損失函數(shù)隨epoch的變化曲線，顯示損失值在前10個epoch迅速下降，在50個epoch后趨于穩(wěn)定。 圖5 四種模型在驗證集中的ROC曲線圖,以Resnet的AUC最大。

基于篩選出的9個紋理特征，在訓(xùn)練集中訓(xùn)練得到RF和SVM 2種機(jī)器學(xué)習(xí)模型。RF模型中參數(shù)設(shè)置：決策樹數(shù)量500，二叉數(shù)2；SVM模型參數(shù)：懲罰因子C值=1，sigma=0.143。

Radscore、RF和SVM三種模型在訓(xùn)練集上和驗證集中對EGFR突變的診斷效能指標(biāo)值見表2。在測試集中3種模型的AUC值均超過0.7，表現(xiàn)出良好的診斷效能。在驗證集中以SVM模型的AUC最大，但與RF和Radscore模型的差異無統(tǒng)計學(xué)意義(Z=-0.975，P=0.330；Z=1.700，P=0.089)。

表2 四種模型ROC分析結(jié)果

3.深度學(xué)習(xí)模型的效能

訓(xùn)練集中輸入數(shù)據(jù)的batch size=32，學(xué)習(xí)率為0.0001，循環(huán)次數(shù)為100 epoch。結(jié)果顯示在前10個epoch交叉熵?fù)p失迅速下降，在50個epoch后趨于穩(wěn)定(圖4)，第73個epoch時交叉熵?fù)p失最低(0.12)，得到最佳模型。

在驗證集中，深度學(xué)習(xí)方法獲得的RseNet模型的AUC、敏感度和特異度均高于另外3種影像組學(xué)模型(表2、圖5)，ResNet與Radscore、RF模型間AUC的差異具有統(tǒng)計學(xué)意義(Z=-2.178，P=0.031；Z=-2.051，P=0.043)，與SVM模型間AUC的差異無統(tǒng)計學(xué)意義(Z=-1.627，P=0.106)。

討 論

本研究建立并比較了多種基于CT圖像影像組學(xué)特征建立的預(yù)測模型，評估其預(yù)測肺腺癌患者EGFR突變的能力。建立的Radscore模型(一種線性模型)證實了通過分析CT圖像能夠預(yù)測肺腺癌患者EGFR基因突變。通過對線性模型、機(jī)器學(xué)習(xí)模型以及深度學(xué)習(xí)模型進(jìn)行比較，來篩選預(yù)測EGFR突變的最佳模型算法。本研究結(jié)果顯示，深度學(xué)習(xí)模型的預(yù)測表現(xiàn)明顯優(yōu)于其它預(yù)測模型，表明基于CT影像組學(xué)分析能夠預(yù)測EGFR突變，深度學(xué)習(xí)技術(shù)可以有效提高模型的預(yù)測準(zhǔn)確性。

相對于傳統(tǒng)人工閱片，影像組學(xué)通過對圖像進(jìn)行定量分析，能夠利用不同分析方法從圖像中提取多維度影像組學(xué)特征。其中一些特征可以反映肉眼難以觀察到的腫瘤內(nèi)部異質(zhì)性信息[9]。影像組學(xué)已被應(yīng)用于疾病的診斷以及療效和預(yù)后的預(yù)測等[10-12]。近年來，一些研究嘗試建立影像組學(xué)與相應(yīng)基因的聯(lián)系。Tu等[13]基于CT圖像提取的93個紋理特征構(gòu)建肺癌EGFR突變預(yù)測模型，在訓(xùn)練集和驗證集中的AUC分別為0.762和0.775；吳琦等[14]從396個紋理特征中篩選出11個最佳特征構(gòu)建logistic回歸模型來預(yù)測肺腺癌EGFR基因突變狀態(tài)，訓(xùn)練集ROC曲線的AUC為0.83 ；羅燕等[15]聯(lián)合影像組學(xué)特征和吸煙狀態(tài)建立logistic回歸模型，預(yù)測肺腺癌EGFR突變的AUC為0.673。本研究中Radscore模型預(yù)測肺腺癌EGFR突變的AUC為0.761，與上述研究結(jié)果相符。

既往數(shù)研究大多未考慮模型算法的影響，僅通過簡單線性模型對EGFR突變進(jìn)行預(yù)測，診斷結(jié)果并不盡如人意。本研究中利用機(jī)器學(xué)習(xí)算法建立多種模型并比較其診斷效能，旨在提高影像組學(xué)方法預(yù)測EGFR基因突變的準(zhǔn)確性，尋找最佳模型算法。本研究中基于提取的CT影像組學(xué)特征建立了Radscore、RF和SVM三種模型，在驗證集中的AUC分別為0.761、0.775和0.813，以SVM模型的診斷效能最高。雖然SVM模型與Radscore和RF模型間的差異無統(tǒng)計學(xué)意義，但我們認(rèn)為該問題通過進(jìn)一步擴(kuò)大樣本將得到解決。SVM算法通過搜索對空間最佳劃分的超平面進(jìn)行特征分類，對數(shù)據(jù)維度和樣本數(shù)量的依賴性較小。已有研究發(fā)現(xiàn)相較于傳統(tǒng)回歸模型，SVM算法能夠有效提升模型的預(yù)測性能，如彭濤等[16]研究結(jié)果表明基于MRI影像組學(xué)特征建立的SVM模型對前列腺癌的診斷效能優(yōu)于線性回歸模型；李琳等[17]研究結(jié)果表明相較于logistic回歸模型，SVM模型可以更好地預(yù)測肝癌患者的預(yù)后。本研究結(jié)果與上述研究結(jié)果類似。

深度學(xué)習(xí)作為人工智能領(lǐng)域的一項重要技術(shù)，可以通過神經(jīng)網(wǎng)絡(luò)自動對輸入圖像進(jìn)卷積，并利用梯度下降算法完成模型學(xué)習(xí)，最終實現(xiàn)高精度預(yù)測。數(shù)據(jù)處理過程中僅需使用者定義腫瘤ROI，而無需進(jìn)行特征提取、特征選擇和模型構(gòu)建等傳統(tǒng)影像組學(xué)的復(fù)雜程序。已有將深度學(xué)習(xí)技術(shù)應(yīng)用于醫(yī)學(xué)圖像的診斷中，并得到了媲美診斷醫(yī)師級別的準(zhǔn)確性[18]。本研究中，利用深度學(xué)習(xí)方法構(gòu)建的ResNet網(wǎng)絡(luò)在驗證集中的AUC、敏感度、和特異度分別為0.916、0.879和0.914，均高于另外3種通過傳統(tǒng)方法建立的影像組學(xué)模型。本研究結(jié)果提示，在預(yù)測肺腺癌EGFR突變方面，深度學(xué)習(xí)技術(shù)較傳統(tǒng)方法構(gòu)建的預(yù)測模型更具優(yōu)勢。

本研究的局限性：①為單中心研究且樣本量相對較小，研究結(jié)果可能存在偏倚；②人工勾畫ROI，人為因素可能對特征提取造成誤差；③采用的模型算法有限，需進(jìn)一步擴(kuò)大算法種類。

綜上所述，基于CT圖像的影像組學(xué)模型能夠較好的預(yù)測肺腺癌EGFR突變，其中以深度學(xué)習(xí)模型的診斷效能更優(yōu)，為EGFR檢測提供了一種有效的無創(chuàng)性檢測技術(shù)。